MICHELLE STARR
Bilim insanları ilk defa yapay zeka kullanarak, Evren’in üç boyutlu ve karmaşık canlandırmalarını oluşturdu. Derin Yoğunluk Yerdeğişim Modeli veya D3M adı verilen bu şey o kadar hızlı ve isabetli olmuş ki, onu tasarlayan astrofizikçiler bile bunu nasıl yaptığını bilmiyorlarmış.
Yapay zeka; kütleçekim kuvvetinin milyarlarca yıl içinde Evren’i nasıl şekillendirdiğini isabetli biçimde canlandırmış. Her bir canladırma ise sadece 30 milisaniye sürmüş; oysa diğer canlandırmalar dakikalar sürüyormuş.
Üstelik daha etkileyici olan şeyse; D3M’nin bunları, kendisine verilen 8.000 eğitim canlandırmasından öğrenmiş olmasıymış. Canlandırma eğitimlerini kullanarak büyük ölçüde bilinmeyene ulaşan ve bu eğitimlere göre daha ileri giden D3M, hiç eğitim görmediği değişkenleri ayarlamayı başarmış.
Flatiron Enstitüsü ve Carnegie Mellon Üniversitesi’nde çalışan astrofizikçi Shirley Ho, “Bu şuna benziyor; görüntü tanıma yazılımına çok sayıda kedi ve köpek fotoğrafı gösteriyorsunuz ancak yazılım daha sonra filleri tanıyabiliyor” diyor.
“Bunu nasıl yaptığını kimse bilmiyor ve bu büyük gizemin çözülmesi gerekiyor.”
Evren’de yapılan gözlemler, onun evrimi hakkında pek çok bilgi verebiliyor fakat görebileceğimiz şeylerin de bir sınırı var. İşte bu yüzden canlandırmalar çok faydalı olabiliyor.
Yapılan gözlemlerle eşleştiği kadar, eşleşmeyen sonuçlar da oluşturan canlandırmalar yürüten bilim insanları, içinde yaşadığımız Evren’i meydana getirmesi en muhtemel olan senaryoları çözebilir.
Ancak Evren’imizin karmaşık tarihi, bu gibi canlandırmaları; hesaplama bakımından epey yüklü hale getiriyor ve bu sebeple bunları yürütmek de zaman alıyor. Sadece bir çalışmada, istatistiksel yönden kullanışlı veriler elde etmek için binlerce canlandırma yapılması gerekebiliyor.
Hesaplamalı astrofizikçilerin oluşturduğu uluslararası bir takım tarafından geliştirilen D3M, burada devreye giriyor. Yazılım; kütleçekimin, uzaydaki milyarlarca parçacığı 13.8 milyar yıl (Evren’in yaşı) boyunca nasıl hareket ettirdiğini hesaplıyor.
Eğer bu parçacık hareketini, gücünü yapay zekadan almayan bir yazılımla canlandıracak olsaydık; yüksek oranda isabetli olan bir tek hesaplama yapmak, 300 saat sürebilirdi. Bunu yalnızca birkaç dakikada da yapabilirdiniz fakat isabet oranı büyük oranda kayba uğrardı.
Araştırma takımı, bu sorunun üstesinden gelmek için; bu sanal canlandırmaları yürütmek amacıyla yapay bir sinir ağı geliştirmeye karar vermiş. D3M, şimdiye kadar oluşturulmuş en yüksek isabet oranına sahip bir modelden alınan 8.000 farklı canlandırmayla eğitilmiş.
D3M’nin eğitimi tamamlanıp, yapay zeka isabetli şekilde çalışmaya başladığında; artık bir test sürüşü yapmaya hazırmış. Araştırmacılar yazılıma, her bir tarafında yaklaşık 600 milyon yıl bulunan bir kutu içinde evreni canlandırmasını söylemişler.
Takım, yazılımın çıktısını değerlendirmek amacıyla; aynı canlandırmayı, yüzlerce saat süren ızdıraplı bir yöntem ve sadece birkaç dakika süren başka bir yöntem ile de yürütmüş. Beklendiği gibi, yavaş yöntemde en isabetli sonuçlar oluşurken; hızlı yöntemde ise yüzde 9.3’lük nispî bir hata payı oluşmuş.
D3M, daha önceki bütün hızlı modelleri ezip geçmiş. Canlandırmayı yalnızca 30 milisaniyede tamamlamış ve yavaş ancak süper isabetli olan yöntem ile karşılaştırıldığında, sadece 2.8’lik nispî hata payı vermiş.
Çok daha etkileyici olansa; sadece bir tek değişken dizisiyle eğitilmiş olmasına rağmen, yapay sinir ağının; hiç eğitim görmediği öbür değişkenlere dayalı canlandırılmış Evren’in yapısal oluşumunu tahmin etmesiymiş. Örneğin, karanlık madde miktarının değişkenlik gösterip göstermediğini tahmin etmek gibi.
Bu durum; yapay zekanın esnek olabileceği ve böylelikle, çeşitli canlandırma görevlerine uyum sağlayabileceği anlamına geliyor; ancak takım, ondan önce yapay zekanın yaptığı şeyi tam olarak nasıl başardığını anlamayı umuyor.
“Bir makine öğrencisinin kullanması için ilginç bir oyun alanı olabiliriz; yani, bu modelin nasıl bu kadar iyi tümevarım yaptığını ve sadece kediler ile köpekleri tanımak yerine nasıl fillere tümevarım yaptığını görmesi açısından” diyor Ho.
“Bu, bilim ile derin öğrenme alanı arasında yer alan çift yönlü bir sokak niteliği taşıyor.”
Araştırma, PNAS bülteninde yayınlandı.
ScienceAlert
